Обработка информации и принятие решения в системах ближней локации


головна сторінка Реферати Курсові роботи текст файли додати матеріалПродать работу

пошук рефератів

Курсова на тему Обработка информации и принятие решения в системах ближней локации

завантажити
Знайти інші подібні реферати.
подібні якісні роботи

Розмір: 0.55 мб.
Мова: російська
Розмістив (ла): shatun
24.12.2010
 1 ... 5 6 7 8 9 10 11 12 13    

k1=-k:k; plot (k1, KF);%построили КФ

Рисунок 15 – График корреляционной функции сигнала гусеничной техники

Вывод: График имеет квазипериодический характер. Повтор явных всплесков колебаний через каждые 250÷300 отсчетов. По корреляционной функции также можно сказать, что сигнал имеет колебательный случайный характер. Так же можно сказать, что функция не стационарна, так как дисперсия ее не постоянна. Период колебания корреляционной функции сигнала гусеничной техники составляет примерно 290 отсчетов (0.58 с).

Для фонового сигнала:

h2=fon (15000:16000);% вырезали фрагмент

k=1000;

KF=xcorr (h2, h2, k);% КФ

k1=-k:k; plot (k1, KF);%построили КФ

Рисунок 16 – График корреляционной функции фонового сигнала

Вывод: по корреляционной функции для фонового сигнала можно сказать, что сигнал имеет колебательный случайный характер. Так же можно сказать, что функция не стационарна, так как дисперсия ее не постоянна. Период колебания корреляционной функции фонового сигнала составляет приблизительно 190 отсчетов.

2. Формирование обучающих и контрольных множеств данных

2.1 Признаки по оценке спектра мощности сигнала в восьми интервалах частот

Теоретический раздел

При обнаружении и распознавании объектов по сейсмическим сигналам возникает задача выбора признаков.

Признаки должны удовлетворять двум основным требованиям:

1 Устойчивость. Наиболее устойчивыми считаются признаки, отвечающие нормальному закону распределения (желательно, чтобы значения признаков не выходили за пределы поля допуска);

2 Сепарабельность. Чем больше расстояние между центрами классов и меньше дисперсия в классе, тем выше показатели качества системы обнаружения или классификации.

В данной работе признаками являются: распределение мощности в десяти равномерных интервалах (по 25 гармоник).

Практическая часть

x1=tr_t200-mean (tr_t200);%Введение центрированного сигнала одного

человека.

x2=fon-mean(fon);%Введение центрированного сигнала

группы людей.

Признаки вычисляются с использованием подгружаемого файла MATRPRIZP:

function [P, Ps]=f (x, fs, N1, N2)

% Программа вычисления матрицы признаков относительной мощности

% сигнала в 10-ти поддиапазонах частот

% Обращение к процедуре: P=MATRPRIZP (x, fs, N1, N2); или [P, Ps]=MATRPRIZP (x, fs, N1, N2);

% x – исходный дискретный сигнал

% P – матрица признаков

% Ps – матрица сглаженных признаков

% Pk – спектр мощность сигнала в текущем окне

% N1 – длинна нарезанных сигналов в отсчетах

% N2 – сдвиг в отсчетах между соседними сигналами

% M – матрица сигналов размерности N1*N2

% Nc – число строк матрицы сигналов

M=matrsig (x, N1, N2);

Nc=length (M(:, 1));

for i=1: Nc Pk(:, i)=SM (M(i,:)', N1, fs); end;

Pk=Pk';

for i=1: Nc

w=sum (Pk(i,:));

P (i, 1)=sum (Pk(i, 1:51))/w; P (i, 2)=sum (Pk(i, 52:103))/w; P (i, 3)=sum (Pk(i, 104:155))/w; P (i, 4)=sum (Pk(i, 156:207))/w;…

P (i, 5)=sum (Pk(i, 208:259))/w; P (i, 6)=sum (Pk(i, 260:311))/w; P (i, 7)=sum (Pk(i, 312:363))/w; P (i, 8)=sum (Pk(i, 364:415))/w; P (i, 9)=sum (Pk(i, 416:467))/w; P (i, 10)=sum (Pk(i, 468:512))/w;

end;

Пропускаем сигналы через формирование матрицы признаков:

x=tr_t200;

N1=1024;

N2=512;

fs=500;

Mt=MATRPRIZP (x, fs, N1, N2);

x=fon;

N1=1024;

N2=512;

fs=500;

Mf=MATRPRIZP (x, fs, N1, N2);

Получим графические представления матриц признаков:

Рисунок 17 – Графическое представление матрицы признаков сигнала гусеничной техники

Рисунок18 – Графическое представление матрицы признаков фонового сигнала

  1. Исследование признаков

Практическая часть

Для обучающей матрицы произвести исследование признаков по следующей программе: 1) Оценить параметры распределения признаков; 2) По каждому признаку обучающей матрицы вычислить расстояние. Для данного признака сформулировать решающее правило задачи обнаружения.

3.1 Оценка параметров распределения признаков. Определение информативного признака с максимальным расстоянием, построение функций плотности распределения вероятностей и вычисление порога принятия решения, формулирование решающего правила

Загружаем сигнал в рабочее пространство:

    продолжение
 1 ... 5 6 7 8 9 10 11 12 13    

Удобная ссылка:

Завантажити курсову роботу безкоштовно
подобрать список литературы


Обработка информации и принятие решения в системах ближней локации


Постійний url цієї сторінки:
Курсова Обработка информации и принятие решения в системах ближней локации


Разместите кнопку на своём сайте:
Рефераты
вгору сторінки


© coolreferat.com | написать письмо | правообладателям | читателям
При копировании материалов укажите ссылку.